生物身份鉴别中的人脸识别技术因为具有普遍性、便捷性和被动性等一系列优势,近些年来备受关注并且处于快速发展之中。然而,因为人脸属于非刚性物体,人脸姿态的多样性、获取的人脸图像易受环境影响以及计算资源和存储空间有限等多个因素的制约,在实际非可控条件下应用中需要解决姿态、计算速度等一系列问题。近几年基于深度学习的人脸识别取得了可喜进展,但对于人脸图像受姿态影响问题的研究依然较少,而且使用余弦相似度对超过万张图像进行人脸鉴别时还存在时间复杂度过高的问题。因此,需要进一步研究人脸的特征提取和人脸识别算法,使得提取到的人脸特征表示对于姿态变化更加鲁棒且具有更快的相似度计算速度,最终实现又快又准的人脸识别算法。论文的主要研究工作和成果如下:研究基于卷积神经网络的人脸识别算法。总结近年来基于卷积神经网络的人脸识别算法的进展与成果,并阐述了各种算法特点、解决问题的方法及存在的问题。研究人脸识别算法中各步骤的作用,在基本的人脸识别步骤中增加人脸关键点检测、人脸对齐、人脸姿态估计和人脸姿态分类等多个步骤。通过人脸姿态估计和姿态分类对图像中人脸的姿态进行感知,同时在卷积神经网络中做出深度特征变换的改进,任何姿态的人脸特征表示通过深度特征变换都能转化为相应正面姿态的人脸特征表示。为了对不同姿态之间的关系及网络中对应的参数进行学习,首先构建基于双通道网络的优化目标,接着针对时间复杂度过高等问题,将双通道网络转换为多任务联合监督学习的单通道网络。提出姿态损失函数和姿态中心学习的策略,实现对不同类别的姿态中心点的学习和对不同姿态之间关系的学习,最终提取到有区分性和对于姿态鲁棒的人脸特征表示。采用深度哈希的方式实现深度二进制人脸哈希的改进,将人脸哈希普遍采用的特征提取后再二进制哈希的两个步骤精简为二进制特征提取一个步骤。通过在卷积神经网络中构建哈希层及哈希损失函数,最终提取到适用于人脸识别的二进制特征。通过联合级联结构将深度特征变换与深度二进制人脸哈希进行结合,实现算法在性能指标和运行速度的平衡。二进制特征被用于快速数据库样本选择,数据库样本根据相似度排序后选择最高的K个样本输入下一阶段,下一阶段使用对于姿态更加鲁棒的人脸特征表示实现高准确率的人脸鉴别。